多層ニューラルネットワークを用いたマルチタスク学習による顧客購買行動予測

• Item type: Journal(1)
• 公開日: 2022-06-15
• タイトル: 多層ニューラルネットワークを用いたマルチタスク学習による顧客購買行動予測
• タイトル / 言語: en
• タイトル: Multi-task Learning Using Multi-layer Neural Networks to Predict Future Customer Behavior
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: [一般論文] 顧客生涯価値（CLV），離反予測，マルチタスク学習，プラットフォームビジネス，ニューラルネットワーク，RFM分析
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• ID登録: 10.20729/00218418
• ID登録 / ID登録タイプ: JaLC
• 著者所属: 早稲田大学データサイエンス研究所
• 著者所属: 早稲田大学理工学術院
• 著者所属(英): en
• 著者所属(英): Institute of Data Science, Waseda University
• 著者所属(英): en
• 著者所属(英): Faculty of Science and Engineering, Waseda University
• 著者名: 蓮本, 恭輔; 後藤, 正幸
• 著者名(英): Kyosuke, Hasumoto; Masayuki, Goto
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 顧客の購買行動を理解し，個々の顧客が将来どの程度自社の製品やサービスを利用してくれるのか，どれだけの利益をもたらしてくれるかを知ることは，企業にとって重要な課題である．近年，デジタルビジネスが拡大し，個々の顧客購買行動の情報が容易に収集可能になったことで，それらの情報をもとにした顧客購買行動の予測は顧客関係管理においてますます注目を集めている．顧客購買行動予測の重要なテーマとして，顧客生涯価値の予測と離反予測という2つのタスクがあるが，生涯価値の予測には離反時期の情報が必要なため，これらは強い関連性を有する．またこのような購買行動には，背後にある顧客ごとの潜在的な購買パターンや嗜好が強く影響していると考えられ，適切な予測にはそれらを特徴量としてモデルに取り込む必要がある．そのような潜在的な特徴をデータ駆動で抽出し，関連性のある複数のタスクを効率的に学習する仕組みとして，ニューラルネットワークを用いたマルチタスク学習がある．ニューラルネットワークによるマルチタスク学習では目的の異なるタスクを1つの学習器で同時に学習することで，タスクに共通で必要な潜在的な特徴を抽出し，全体のタスク精度を高められることが知られており，画像認識や文書生成においてさかんに研究が行われている．そこで本研究では多層ニューラルネットワークによるマルチタスク学習で，顧客生涯価値と離反の予測を行う手法を提案する．マルチタスク学習では各タスクの出力のモデル化とそれぞれのタスクの損失の重み統合が予測精度に大きな影響を与えるが，離反予測を顧客生涯価値予測の部分タスクとしてモデル化し，学習進捗に応じて重みをコントロールすることで，顧客生涯価値の予測精度を改善する手法を示し，実データを用いた実験を通して有効性を確認する．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: It is important for modern businesses to understand the purchasing behavior of their customers and to understand how often each customer will use their services or products in the future and how much profit those customers will bring to the businesses. With the rapid expansion of digital business in the recent years, it becomes easier to collect information on individual customer purchasing behavior, leading to the increased attention on leveraging such information to predict future customer behavior in the field of customer relationship management. Customer lifetime value and customer churn are the key concerns for the prediction of future customer behavior. Since the prediction of customer lifetime value encompasses the prediction of customer churn, those tasks have a strong relationship. Future purchasing behavior, which influences customer lifetime value and customer churn, is strongly related to latent purchasing patterns and preferences. Multi-task learning with neural networks is known to be effective for extracting such latent features in a data-driven manner and efficiently learning multiple related tasks. It is also well known that multi-task learning with neural networks can improve the overall task accuracy by extracting latent features commonly required for different tasks while learning different tasks with a single learner simultaneously. In this study, we propose a method for predicting customer lifetime value and customer churn by multi-task learning with multi-layer neural networks. In multi-task learning, the modeling of each task and the integration of the weights for task losses have a significant impact on the prediction accuracy. Therefore, we propose a method that models churn prediction as a partial task of CLV prediction while controlling the weights of each task according to the learning progress to improve the prediction accuracy. We demonstrate the effectiveness of the method through experiments using real life data.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN00116647
• 書誌情報: 情報処理学会論文誌; 巻 63, 号 6, p. 1276-1286, 発行日 2022-06-15
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7764